Variational algorithms in Quantum Artificial Intelligence

In den letzten Jahren wurde der Fortschritt der Künstlichen Intelligenz (KI) maßgeblich durch die Skalierung der Modellgröße und -komplexität vorangetrieben. Dieser stetige Anstieg der Parameterzahlen und der daraus resultierende enorme Ressourcenverbrauch stellen die Skalierbarkeit klassischer Architekturen infrage und erfordern fundamental neue, parametereffiziente Ansätze. Das Quantencomputing stellt hierbei eine vielversprechende Alternative dar, die leistungsfähige Modelle mit signifikant weniger Parametern ermöglicht. In der heutigen Ära des Noisy Intermediate-Scale Quantum Computing etablieren sich variationelle Quantenalgorithmen (VQAs) als führender Ansatz für reale Hardware. Ihre Anwendung wird jedoch durch mehrere grundlegende Herausforderungen eingeschränkt: instabile Trainingsdynamiken, flache Lösungslandschaften, welche die Skalierbarkeit erschweren, sowie den mühsamen manuellen Entwurf von Quantenschaltungen. Diese Dissertation begegnet diesen Herausforderungen mit der Entwicklung systematischer Methodiken für den gesamten VQA-Entwicklungszyklus. Es werden robuste Trainings- und Optimierungstechniken wie Weight Re-Mapping, exponentielle Lernratenanpassung, strukturelles Pruning und metaheuristische Optimierung eingeführt, um Konvergenz zu steigern und flache Lösungslandschaften zu vermeiden. Zudem werden Verfahren zur automatisierten Architektursuche für Quantenschaltungen mittels Reinforcement Learning und evolutionärer Algorithmen entwickelt, um die Abhängigkeit von manuellen Entwürfen zu verringern. Der praktische Nutzen dieser Methodik wird in mehreren anspruchsvollen KI-Domänen demonstriert. So werden VQAs genutzt, um hochgradig parametereffiziente Agenten für das Quanten-Reinforcement-Learning zu konstruieren. Ferner werden neuartige Quantenmodelle für generative KI und die Anomalieerkennung vorgestellt. Über diese Anwendungen hinaus wird eine Methode zur fairen Bewertung hybrider Systeme entwickelt und das Verhältnis zwischen Parametereffizienz und Trainingszeit quantifiziert. Zusammengenommen ergeben diese Beiträge validierte, systematische Ansätze, die VQAs von theoretischen Konzepten zu robusten, praxistauglichen Werkzeugen für den Einsatz von Quanten-KI auf Hardware der nahen Zukunft weiterentwickeln.